Determinants of Starting Salaries for Filipino Graduates: An Explainable Machine Learning Approach
Este estudio emplea un enfoque de aprendizaje automático explicable sobre datos de encuestas de origen colaborativo para demostrar que el rol laboral y la industria son los determinantes primarios de los salarios iniciales de los graduados filipinos, superando significativamente el prestigio institucional y sugiriendo la necesidad de priorizar las habilidades específicas del sector en la orientación profesional y en las políticas.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En Filipinas, un número significativo de graduados universitarios se encuentra sin empleo, lo que crea una marcada desconexión entre los años transcurridos en el aula y la realidad del mercado laboral. Para aquellos que sí encuentran empleo, el salario inicial que reciben actúa como una señal clara de cuánto valora la economía su formación específica. Tradicionalmente, los investigadores han rastreado estos resultados simplemente contando cuántos graduados están empleados y cuál es su salario promedio, de forma muy parecida a realizar un recuento en una reunión de exalumnos. Sin embargo, estos recuentos nos dicen qué sucedió, pero no por qué sucedió ni qué le pasará al próximo grupo de estudiantes. Para comprender los verdaderos motores de la remuneración, uno debe mirar más allá de los simples promedios y preguntarse qué factores específicos realmente impulsan un salario hacia arriba o lo arrastran hacia abajo.
Un equipo de investigadores de la Universidad de Filipinas buscó responder a esta pregunta aplicando técnicas modernas de aprendizaje computacional a un conjunto de datos único. Analizaron las respuestas de una encuesta de origen colaborativo llamada "First Pay", que recopiló información de casi tres mil graduados filipinos sobre sus primeros empleos. Debido a que los datos provenían de un formulario en línea abierto, eran desordenados y no estructurados; los títulos de los puestos estaban escritos de muchas formas diferentes y faltaban detalles importantes como el tamaño de la empresa o la ubicación. Los investigadores trataron esta información ruidosa como un rompecabezas, utilizando el aprendizaje automático para predecir en qué rango salarial caería un graduado basándose en su educación, género y detalles del trabajo. Su objetivo no era solo hacer una predicción, sino utilizar un método llamado inteligencia artificial explicable para entender exactamente en qué piezas de información se apoyó la computadora para tomar su decisión.
El estudio reveló una verdad clara y algo sorprendente sobre el mercado laboral local: el rol específico del puesto y la industria en la que un graduado ingresa son mucho más importantes que el prestigio de la universidad a la que asistió. Cuando los investigadores permitieron que la computadora analizara los datos, esta ignoró consistentemente la reputación de la escuela y se centró casi por completo en lo que la persona realmente hace y dónde trabaja. Por ejemplo, la computadora aprendió que un graduado trabajando en un sector específico como la minería o la gestión ganaría significativamente más que alguien en construcción o tareas administrativas, independientemente de si se graduó de una universidad privada o estatal. Este hallazgo fue tan sólido que apareció en tres formas diferentes de probar los datos, lo que sugiere que el mercado recompensa las habilidades funcionales y la alineación con el sector mucho más de lo que recompensa el nombre de marca de un título.
Para asegurar que este resultado no fuera una casualidad, los investigadores probaron su enfoque de varias maneras. Primero, utilizaron una técnica que desglosa una predicción para ver qué entrada contribuyó más, confirmando que los títulos de los puestos y los nombres de las industrias eran los principales impulsores. Segundo, intentaron mejorar la capacidad de la computadora para leer el texto desordenado de las descripciones de los puestos mediante el uso de herramientas de lenguaje avanzadas, solo para descubrir que la computadora seguía dependiendo principalmente de las palabras específicas que describían el trabajo y la industria. Finalmente, intentaron replantear el problema para que la computadora pudiera razonar sobre el significado económico de un rango salarial en lugar de solo emparejar palabras clave. Incluso con este enfoque de razonamiento más sofisticado, la computadora seguía inclinándose fuertmente hacia el texto bruto del rol laboral y la industria para hacer sus mejores conjeturas. Esta consistencia a través de diferentes métodos sugiere que la dominancia del rol laboral y la industria es una característica real de los datos, no un artefacto de un modelo computacional específico.
Los investigadores también descubrieron que la dificultad para predecir salarios exactos no se debía a una falta de potencia de cómputo, sino a las limitaciones de los propios datos. Debido a que la encuesta dependía de información autorreportada y carecía de detalles como el tamaño de la empresa o los años de experiencia, existía un techo natural para la precisión con la que la computadora podía predecir los resultados. Los datos eran particularmente difusos para los graduados que ganaban salarios de rango medio, donde muchos tipos de trabajos se solapan en su remuneración. Aunque los investigadores encontraron que agrupar los salarios en categorías más amplias y con significado económico mejoraba la precisión de la computadora, la lección fundamental seguía siendo la misma: el camino específico que toma un graduado importa más que la escuela de la que proviene.
En última instancia, este trabajo sugiere que la orientación profesional y la política educativa en Filipinas deberían cambiar su enfoque. En lugar de enfatizar el prestigio de una universidad, la evidencia apunta hacia ayudar a los estudiantes a alinear sus habilidades con sectores y roles específicos de alto valor. El estudio demuestra que, si bien los datos eran imperfectos, la señal era lo suficientemente clara como para mostrar que el mercado laboral valora lo que un graduado hace mucho más que dónde estudió. Al ir más allá de las simples descripciones de las tasas de empleo hacia una comprensión más profunda y basada en datos de lo que impulsa la remuneración, esta investigación ofrece un mapa más claro para los graduados, educadores y responsables de políticas que navegan por el complejo panorama del mercado laboral filipino.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.